MerQuR+İstatistik Sözlüğü

İstatistik Sözlüğü → Bayesci Korelasyon

Bayesci Korelasyonanaliz

İki değişken arasındaki ilişkinin sıfırdan farklı olup olmadığını Bayes faktörüyle değerlendiren, ilişkinin gücünü ise korelasyon katsayısının sonsal dağılımıyla gösteren analiz.

Kavram

Klasik korelasyon testi 'ilişki yok' hipotezini reddedip reddedemeyeceğimizi söyler; anlamlı çıkmayan bir korelasyon ilişkinin olmadığını kanıtlamaz. Bayesci korelasyon, 'ρ = 0' (H₀) ve 'ρ ≠ 0' (H₁) hipotezlerini doğrudan karşılaştırır ve verinin hangisini ne kadar desteklediğini Bayes faktörüyle (BF₁₀) gösterir. Böylece hem bir ilişki lehine hem de ilişkisizlik lehine kanıt ölçülebilir.

H₁ altında korelasyon katsayısı ρ'ya -1 ile 1 arasında bir önsel dağılım verilir; yaygın seçim, genişliği κ ile ayarlanan 'gerilmiş beta' önselidir (κ = 1 tüm değerlere eşit olasılık verir). Veri bu önselle birleşince ρ'nun sonsal dağılımı elde edilir; sonsal medyan ve kredibl aralık, ilişkinin ne kadar güçlü olduğuna ilişkin doğrudan olasılık ifadeleri sağlar. Sonsal medyan genellikle örneklem r'sinden biraz daha sıfıra yakındır, çünkü önsel kestirimi hafifçe sıfıra doğru çeker.

Pearson korelasyonu doğrusal ilişkiyi ölçer ve iki değişkenli normalliği varsayar; sıralara dayalı Spearman ve Kendall katsayıları tekdüze (monoton) ilişkileri ölçer ve uç değerlere daha az duyarlıdır. Korelasyon nedensellik göstermez ve bir üçüncü değişkenin etkisini ayıklamaz. Bayes faktörü önselin genişliğine duyarlı olduğundan farklı κ değerleriyle duyarlılık sonuçları birlikte raporlanmalıdır.

Ne zaman kullanılır?

  • İki sürekli ya da sıralı değişken arasındaki ilişkinin kanıt gücü sorulduğunda; özellikle 'ilişki yok' sonucunun da desteklenmesi gerektiğinde.
  • İlişki doğrusal ve veri yaklaşık normalse Pearson; ilişki tekdüze ama doğrusal değilse, veri sıralıysa ya da uç değerler varsa Spearman ya da Kendall türü seçilir.
  • Bir ya da daha fazla değişkenin etkisi sabit tutularak ilişki incelenecekse kısmi korelasyon ya da regresyon; birçok değişken birlikte yordanacaksa Bayesci doğrusal regresyon kullanılır.

Gündelik bir örnek

Bir lise rehberlik servisi, 30 öğrencinin sınav haftasındaki ortalama gece uyku süresi ile deneme sınavı puanı arasında ilişki olup olmadığını merak ediyor. Korelasyon r = 0,45 bulunuyor. Bayesci korelasyon BF₁₀ = 6 verirse veri ilişki hipotezini 'ilişki yok' hipotezine göre 6 kat daha çok destekler; ρ için %95 kredibl aralık örneğin [0,10; 0,67] ise ilişki büyük olasılıkla pozitiftir ama gücü hâlâ belirsizdir.

MerQur'da parametreler

1. değişken (X), 2. değişken (Y)

Kavram: Korelasyon simetriktir: hangi değişkenin X, hangisinin Y olduğu katsayıyı değiştirmez. Eksik değeri olan gözlem yalnızca o çiftin hesabından çıkarılır.

Gündelik örnek: Uyku süresi X, deneme puanı Y seçilse de tersi seçilse de r = 0,45 çıkar. Puanı eksik olan bir öğrenci bu çift için hesaba katılmaz.

Ne işe yarar: Değişken seçimi; eksik değerler çift bazında atılır. Aynı değişken seçilirse hata verilir.

Sonuca etkisi: Tüm çıktılar seçilen çifte bağlıdır.

Doğrulama verisinde: iris Sepal_Length ~ Sepal_Width (n = 150, r = -0.118; zayıf, H0 lehine kanıt) ve attitude rating ~ complaints (n = 30, r = 0.825; güçlü ilişki).

Korelasyon türü (Pearson / Spearman / Kendall)

Kavram: Pearson katsayısı doğrusal ilişkinin gücünü ölçer; Spearman ve Kendall katsayıları değerlerin kendisi yerine sıralarını kullanır ve 'biri artarken diğeri de artıyor mu?' sorusuna, ilişki doğrusal olmasa da yanıt verir.

Gündelik örnek: Uyku 5 saatten 7 saate çıkarken puan hızla artıp 7 saatten sonra yatay seyrediyorsa ilişki doğrusal değildir; Spearman bu tekdüze ilişkiyi Pearson'dan daha iyi yansıtır. 12 saat uyuduğunu bildiren tek bir öğrenci de Spearman ve Kendall'ı Pearson kadar etkilemez.

Ne işe yarar: Pearson doğrusal, Spearman sıra, Kendall τ-b korelasyonu. Pearson BF'si Ly, Verhagen ve Wagenmakers (2016) kesin olabilirliği ve gerilmiş beta önselini kullanır; Kendall için van Doorn ve ark. (2018); Spearman için Pearson formülü sıralara uygulanır.

Sonuca etkisi: Katsayı, frekansçı p ve GA (Pearson Fisher-z, Spearman Bonett-Wright, Kendall Fieller), BF ve sonsal model değişir.

Doğrulama verisinde: iris BF10: Pearson 0.2823, Spearman 0.8016 (r_s = -0.167, p = 0.041), Kendall 0.2817 (τ = -0.077). attitude BF10: 720 317, 1 151 162 ve 54 129.

→ Pearson korelasyon katsayısı

Prior genişliği κ (gerilmiş beta)

Kavram: κ, H₁ altında ρ için kullanılan önselin genişliğidir. κ = 1 her korelasyon değerini eşit olası sayar; κ küçüldükçe önsel sıfır yakınındaki küçük korelasyonlara daha fazla ağırlık verir.

Gündelik örnek: Rehber öğretmen uyku ile puan arasında ancak orta düzeyde bir ilişki bekliyorsa daha dar bir önsel (ör. κ = 1/3) seçebilir. Bayes faktörü κ ile değiştiği için sonucu birkaç κ değeriyle göstermek, kanıtın önsel seçimine ne kadar bağlı olduğunu ortaya koyar.

Ne işe yarar: ρ ~ (-1, 1) aralığına gerilmiş beta(1/κ, 1/κ) önseli. κ = 1 düzgün önseldir; κ küçüldükçe önsel sıfırda yoğunlaşır. Adlandırılmış ölçekler medium 1/3, wide 1/√3, ultrawide 1 değerlerine karşılık gelir.

Sonuca etkisi: BF10 ve sonsal değişir; frekansçı çıktı değişmez.

Doğrulama verisinde: iris BF10: κ = 0.333 için 0.5093, 0.5 için 0.4152, 1 için 0.2823, 2 için 0.1816. attitude: κ = 1/3 için 199 888.9, 1/√3 için 476 369.5, 1 için 720 316.9.

→ Önsel (prior) dağılım

Alternatif hipotez (İki yönlü / pozitif / negatif)

Kavram: H₁'in yönünü belirler: iki yönlü ρ ≠ 0, yönlü seçenekler ise yalnız pozitif ya da yalnız negatif ilişkiyi sınar. Yön, veriye bakmadan önce, kurama göre seçilmelidir.

Gündelik örnek: Daha çok uykunun puanı düşürmesi için makul bir neden yoksa 'pozitif' seçilebilir. Veri gerçekten pozitif ilişki gösteriyorsa BF₊₀ iki yönlü BF₁₀'dan büyük çıkar.

Ne işe yarar: Yönlü H1 için BF+0 (ρ > 0) ya da BF-0 (ρ < 0); sonsal kesilir.

Sonuca etkisi: Yönlü BF'ler, kesilmiş sonsal özetleri ve tek yönlü p.

Doğrulama verisinde: iris (r < 0): BF-0 = 0.521, BF+0 = 0.0437. attitude: BF+0 = 1.441e6, BF-0 = 0.0417. Tek yönlü p de raporlanır.

→ Tek yönlü ve çift yönlü test (hipotez yönü)

Güven Düzeyi (%90 / %95 / %99 / Diğer, özel değer)

Kavram: Frekansçı güven aralığının ve ρ için kredibl aralığın (ve en dar kredibl aralık olan HDI'nın) düzeyini belirler. Kredibl aralık, ρ'nun verinin ışığında belirtilen olasılıkla bu aralıkta olduğunu söyler.

Gündelik örnek: %95 kredibl aralık [0,10; 0,67] ise uyku ile puan arasındaki gerçek korelasyonun %95 olasılıkla bu aralıkta olduğu söylenir. 30 yerine 300 öğrenciyle aralık belirgin biçimde daralırdı.

Ne işe yarar: Frekansçı güven aralığı ile kredibl aralık ve HDI düzeyi.

Sonuca etkisi: Yalnızca aralık sınırları; BF değişmez. Özel kutu kapalıyken girilen değer etkisizdir.

Doğrulama verisinde: iris Pearson GA: %90 [-0.2485, 0.0175], %95 [-0.2727, 0.0435], %99 [-0.3190, 0.0941]; %95 kredibl aralık [-0.2695, 0.0439].

→ Güven düzeyi ve güven aralığı

Ek çıktılar: Saçılım grafiği; Korelasyon matrisi (ek değişkenler)

Kavram: Saçılım grafiği ilişkinin biçimini ve uç değerleri gözle görmeyi sağlar; korelasyon matrisi ise seçilen tüm değişken çiftleri için katsayıyı ve Bayes faktörünü bir arada verir.

Gündelik örnek: Grafikte noktalar düz bir şerit çiziyorsa Pearson uygundur; tek bir öğrenci herkesten uzakta duruyorsa sonucun ona ne kadar bağlı olduğu düşünülmelidir. Matrise ekran süresi ve kahvaltı alışkanlığı da eklenirse altı çiftin kanıtı tek tabloda karşılaştırılabilir.

Ne işe yarar: Saçılım yalnız grafik verisi ekler. Matris, seçilen ek değişkenlerle tüm çiftler için n, r, p, BF10, seçili H1 için BF, sonsal medyan ve kredibl aralık verir.

Sonuca etkisi: Saçılım sayısal sonucu değiştirmez. Matris ana çifti etkilemez, ek satırlar üretir.

Doğrulama verisinde: iris 4 değişken (6 çift) ve attitude 4 değişken (6 çift): her çift için BF10, katsayı ve aralıklar verilir; Kendall ile tek yönlü ve κ = 0.5 ile %90 birleşimleri de hesaplanır.

→ Saçılım (dağılım) grafiği

Gerçek veride örnek

Veri: Chatterjee ve Price 1977 attitude, R datasets

Değişkenler: 1. değişken rating (genel değerlendirme), 2. değişken complaints (şikâyetlerin ele alınması)

  • Soru: 30 kurum biriminde çalışanların yöneticiye genel değerlendirmesi (rating) ile yöneticinin şikâyetleri ele alışı (complaints) arasında doğrusal ilişki var mı ve ne kadar güçlü?
  • Varsayım: Pearson korelasyonu iki değişkenli normallik ve doğrusallık varsayar; n = 30 küçük olduğundan saçılım grafiği ile denetlenmelidir.
  • Sonuç: r = 0.825, frekansçı %95 GA [0.662, 0.914], p < .001. BF₁₀ = 720 316.9: veri ilişki hipotezini sıfır hipotezine göre yaklaşık 720 bin kat daha çok destekler (çok güçlü / kesin kanıt).
  • Sonsal (etki büyüklüğü): ρ sonsal medyanı = 0.80, %95 kredibl aralık [0.62, 0.90]; ilişki büyük ve pozitif. Sonsal medyan örneklem r'sinden küçüktür, çünkü uniform önsel ρ'yu 0'a doğru hafifçe çeker.
  • Duyarlılık: Önsel daraldıkça BF küçülür (κ = 1/3: 199 888.9; κ = 1/√3: 476 369.5) ancak tüm seçeneklerde kanıt kesindir; yönlü H₊ için BF₊₀ = 1.44e+06.
  • APA: Bayesci Pearson korelasyonu (uniform önsel, κ = 1): r = .83, BF₁₀ = 7.20e+05, ρ medyanı = .80, %95 CrI [.62, .90], n = 30.

İlgili kavramlar

Saçılım (dağılım) grafiğiBayes faktörü (BF₁₀)Sonsal (posterior) dağılım ve sonsal kestirim kontrolüÖnsel (prior) dağılımPearson korelasyon katsayısıSpearman sıra korelasyonuTek yönlü ve çift yönlü test (hipotez yönü)İnanılırlık aralığı ve en yüksek yoğunluk aralığı (HDI)

Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.